[论文分享]Machine learning-boosted multi-objective optimization of integrated shading systems : Enhancing daylight availability, glare protection, and energy savings
📃 基本信息
[论文标题] 《机器学习驱动的集成遮阳系统多目标优化：增强日照可用性、眩光保护与节能效果》
[期刊信息] Building and Environment (2025) | 作者: Wei Zhang, Zhichao Ma, Han Qiu, Yonggang Pan, Yinyi Shi, Lan Zhang
📌 一句话概括
该研究通过机器学习与多目标优化，集成建筑自遮阳形态与百叶遮阳系统，有效提升室内日照可用性、眩光保护与能源效率。
📚 深度总结 (300-500字)
本研究旨在解决夏热冬冷气候区（以上海为典型案例）建筑能耗高且日照与眩光控制难以平衡的问题。论文指出，传统建筑设计中，自遮阳形态和立面遮阳设备的使用常单独考虑，缺乏对两者协同效应的评估与优化，且多参数、多目标协调设计具有挑战性。
为克服现有局限性，研究提出了一种结合机器学习和多目标优化的集成遮阳系统设计工作流。在方法上，首先利用Grasshopper平台构建参数化模型，并使用Ladybug和Honeybee工具（基于Radiance和EnergyPlus）对1800个不同自遮阳长度(SSL)、自遮阳数量(SSN)、百叶距幕墙距离(LSD)、百叶宽度(LSW)和百叶角度(LSA)等参数的建筑单元进行日照（空间有效日照照度sUDI、日照均匀度U、空间眩光自主度sGA）和能耗（能源使用强度EUI）性能模拟，构建了全面的数据集。
数据分析发现，自遮阳形态参数（尤其是SSL）对室内日照和能源性能的影响显著大于百叶遮阳参数。研究进一步开发了预测模型，通过比较传统BPNN、BPNN-Adaboost和GWO-BPNN-Adaboost模型，发现GWO-BPNN-Adaboost模型表现最佳，对EUI、sUDI、U和sGA的R²值分别达到0.988、0.954、0.943和0.900。随后，将该高性能预测模型与NSGA-II多目标优化算法相结合，以最大化sUDI和sGA，最小化EUI为目标，进行快速协同优化。
优化结果表明，与仅有自遮阳或无遮阳的方案相比，集成自遮阳形态与百叶遮阳的方案在各项性能指标上均有显著提升。理想解决方案实现了sUDI=0.878，sGA=0.816，U=0.486，EUI=31.71kWh/(m²·a)。优化后的集成方案可将EUI降低高达15.35%，sGA提升高达41.77%，sUDI提升高达245.99%，U提升高达27.21%。研究强调，这种集成方法为建筑师在早期设计阶段提供了有效工具，可快速平衡建筑光环境与能耗需求。
研究局限性包括：当前考虑的性能指标和影响参数有限；研究仅针对上海气候，模型的普适性有待进一步验证；此外，所用神经网络模型的解释性有待提高。
本速览仅作研究参考，不替代原文阅读。如需引用，请参考原论文。
🔍 要点追溯
- 研究方法: 参数化建模、建筑性能模拟（日照、能耗）、机器学习预测（改进神经网络）、多目标优化（NSGA-II遗传算法）。
- 适用范围: 夏热冬冷气候区办公建筑，案例研究以上海为代表。
- 使用工具: Grasshopper, Ladybug, Honeybee (Radiance, EnergyPlus), Matlab。
- 数据来源: 1800个模拟样本数据，上海典型气象年(TMY)数据。
- 参考标准: 中国相关建筑节能标准 (如GB055015-2021)；日照、眩光评估指标 (sUDI, U, sGA) 和其计算方法。